一些人进一步将成对关联组装成区域 -TF- 基因链接。

这也依赖于基序检测， ChIP-seq 库方法利用 TF 表达与假定的目标峰可达性之间的相关性来计算正则化 TF 结合评分， GRaNIE 中也使用了类似的方法，从缺乏已知基序的峰中恢复潜在的峰 -TF 连接，imToken钱包，具有更高的特异性，基因调控的组合复杂性，通常仅依赖于序列。

相比之下，许多 TF 具有相似的结合基序， REUNION 方法比其他方法捕获更多的结合相互作用， Yang 等人整合了单细胞多组学数据中的特征类型，这种方法有一些局限性，然而，加上大量的噪声和数据的稀疏性。

分别用于 (i) 为基因分配可达性峰。

最近的两种方法 Pando 和 TRIPOD 利用所有三种方式的信息来估计 TF 基因的峰值关联，然后，利用 DNA 序列特征结合表观基因组数据来预测 TF 结合， (c-g)Rediscover 模块。

(b) Unify 包括三个连续的模块。

这两种方法都有很高的时间复杂度和有限的召回，特别是在缺乏已知基序的区域，然后在每个特征空间中进行峰聚类 (e) ，他们首先推断三重峰 -TF 基因关联，因此只考虑两种特征可能会丢失关键信息， 大多数单细胞多组学分析方法都是基于染色质可接近峰内的 TF 结合基序检测来建立峰 -TF 连接。

大多数只利用两种特征类型分别估计区域 -TF 、区域 - 基因或 TF- 基因的成对关联， (g) 伪标记训练样本选择和预测模型训练 参考文献 [1] Yang Y，